像临床医生一样思考:基于排名的多实例学习方法在脉搏波(PPG)血流动力学波动检测中的应用

《Pattern Recognition》:Thinking Like Clinicians: Ranking-based Multi-instance Learning for PPG-based Hemodynamic Fluctuation Detection

【字体: 大 中 小 】 时间:2025年12月27日 来源:Pattern Recognition 7.6

编辑推荐:

  PPG信号分析中提出可解释的多实例学习框架IHemoMIL,通过因果启发的合成数据集生成和排名聚合机制,实现心血管波动模式的细粒度识别与解释。在九个数据集上的实验验证了其优越的可解释性和预测性能。

  
王道苗|胡启汉|邢小曼|吴红|刘健|傅学鹏|杨翠薇
复旦大学信息科学与技术学院生物医学工程系,上海,200433,中国

摘要

使用光电容积描记法(PPG)进行动态血流动力学监测对于心血管疾病的早期检测和管理具有潜力。然而,常规临床中对自动诊断的需求不断增加,加上高质量标记数据集的稀缺,给开发具有可访问性和可解释性的基于学习的工具带来了重大挑战。为了解决这些问题,本文提出了一种基于现实的PPG生成流程和一个可解释的血流动力学模式识别框架多实例学习(IHemoMIL)。通过异常注入和心血管模拟响应引入了波动模式。这种方法以因果关系为导向生成了细粒度、标记化的合成PPG数据,用于基准测试。多实例学习通过基于排名的机制优化了聚合过程,首次应用于在弱监督环境下识别PPG波形中的血流动力学模式和区分性特征,从而天然地提供了由显著性引导的可解释性。在九个数据集上的广泛评估显示,IHemoMIL在可解释性和预测性能方面优于现有方法,消融研究验证了关键组件的有效性。IHemoMIL紧凑而有效,符合人类直觉,并能无缝集成到诊断工作流程中,从而有助于改善患者预后和提升医疗保健服务。实现代码可在以下URL获取:1。

引言

心血管疾病是全球死亡的主要原因[1],需要更深入地了解血流动力学以改进诊断和治疗方法。在图1a所示的由弹性动脉、静脉和毛细血管组成的复杂网络中,由心脏收缩驱动的脉动流与动脉弹性相互作用,从而传播动脉血压。这些波动可能因结构和功能的变化而受到干扰,导致区域性和局部脉波模式的变化。这种干扰在各种心血管疾病的发病机制和进展中起着关键作用[2]。
传感器技术、信号处理和机器学习的最新进展使光电容积描记法(PPG)成为外周血流动力学评估的前沿[3]。PPG利用小型化、低成本的可穿戴设备,通过光电原理检测血容量变化,无论是透射还是反射,如图1b所示。这些容量变化生成的时间序列信号反映了动脉脉动动态。PPG能够连续且无创地监测多种生理参数,包括血氧饱和度(SpO2)、心率、血压(BP)、血液成分、人体运动以及与心血管健康相关的各种健康问题[4]。在这些应用中,目标是为观察到的PPG波形序列分配诊断标签,如图1c所示。从PPG中得出的目标标签通常代表由血流动力学波动(HF)引起的区分性模式。这些变化表现为PPG形态的变化,包括心血管病理、重力效应、个体特征和闭环心血管反应等多种因素[5]。然而,PPG的广泛应用已经超出了医疗专业人员的手动分析能力,因此需要开发自动化和可靠的分析方法。
深度学习(DL)作为机器学习的一个子集,在从PPG波形中提取潜在特征方面具有强大的能力[6],并在从SpO2计算、血压估计到高血压预测、心房颤动(AFib)检测甚至血糖分析等多种任务中取得了显著成功。尽管DL在PPG分析方面具有巨大潜力,但其局限性和潜在缺点也必须谨慎考虑。
涉及人工智能(AI)辅助决策的高风险临床应用如果模型诊断不准确,可能会产生危及生命的后果。DL模型通常表现为黑箱,使得难以理解它们是如何得出预测的[7]。此外,当前的工作往往存在以算法为中心的偏见,仅专注于在测试数据集上实现高性能[8]。这种缺乏可解释性阻碍了DL模型在实践中的应用,即使它们表现出极高的准确性。
透明度和可解释性对于负责任的医疗保健部署至关重要。为了解决DL黑箱性质带来的问题,对可解释AI(XAI)系统的需求日益增长。
XAI方法包括内在模型设计和事后解释,旨在阐明决策过程、识别偏见并揭示漏洞[7]。然而,事后解释往往存在不一致性且缺乏临床相关性,而内在方法可能会为了透明度而牺牲性能。为了解决这些限制,多实例学习(MIL)作为一种有吸引力的替代方案出现,它围绕临床相关的实例组构建预测[9]。在具有部分标签的弱监督学习(WSL)环境中,MIL将注释从序列级别传播到实例级别。这一过程使模型能够识别潜在的区分性特征,如图1d所示。这种方法为临床医生提供了可操作的见解,符合诊断直觉和医学知识,从而促进人与AI在医疗保健中的协作[10]。
然而,由于缺乏实例级别的标记数据集,PPG信号分析的MIL方法的开发和评估受到了阻碍。受到在时间序列中生成合成异常的启发[11],我们提出了一种基于因果关系的合成PPG生成流程,该流程利用了PPG波形本身和心血管模拟模型的响应。我们的方法实现了两种异常注入方法:(1)基于扰动的异常注入,直接将异常引入PPG,并为围绕形态异常的实例分配正面标签;(2)基于血管的响应区分,使用计算流体动力学(CFD)调节心血管模拟模型的流入参数,然后通过计算有无扰动时生成的PPG响应之间的差异来识别异常。通过创建精确标记的合成PPG数据集,这项工作扩展了现有的基准测试资源,使得能够稳健地评估用于检测和定位PPG波形中各种异常的可解释方法。
此外,在这项工作中,我们引入了IHemoMIL,这是一个新颖的框架,它利用弱监督MIL和基于排名的聚合进行PPG分类任务中的模式识别和定位。这种本质上可解释的MIL方法通过基于排名的聚合和显著性引导的激活优先级来保留区分性信息,能够在细粒度实例级别进行推理,并有效识别PPG波形中的HF模式。IHemoMIL克服了现有基于DL的模型中常见的决策不确定性。它在不牺牲预测性能或计算效率的情况下提供了内在的感知可解释性。据我们所知,这是首次全面评估MIL在PPG基HF模式可解释识别方面的应用。总结来说,主要贡献包括:
  • a.
    用于识别PPG中血流动力学波动的可解释框架。 IHemoMIL结合了弱监督MIL范式和基于排名的聚合,以促进对PPG信号中病理和生理HF的精确和可解释的诊断。
  • b.
    用于基准测试的基于因果关系的合成PPG数据集。我们开发了一种系统化的方法来生成具有时间步长标签的合成PPG数据集,为评估使用PPG的AI驱动模型的可解释性提供了可靠的基准。
  • c.
    在基于PPG的诊断任务中表现出色。 我们进行了广泛的实验,展示了在多种基于PPG的应用中的领先性能,包括合成血流动力学异常、血压波动、心房颤动(Afib)和人体活动的检测。
  • d.
    促进人与AI协作的诊断感知可解释性。 IHemoMIL识别出与人类诊断直觉一致的区分性特征,为DL驱动的医疗应用铺平了道路,并与实际临床需求无缝集成。
  • 本文的其余部分组织如下。第2节回顾了相关工作。第3节详细介绍了基于因果关系的合成数据集生成和材料的实现。第4节描述了IHemoMIL框架,包括主干网络和基于排名的聚合。第5节展示了在真实世界数据集上的广泛实验和分析。第6节总结了本文。主要使用的符号列在补充材料1中供参考。

    文献综述

    文献综述

    仅仅知道样本是否表示HF通常是不足的,临床医生需要理解模型预测背后的推理。我们回顾了关于可解释方法、WSL和用于生物信号应用的MIL配置的相关工作。

    初步工作和材料

    在定义了单类和多类分类的MIL问题之后,我们通过利用基于因果关系的合成数据集生成来复制HF。该流程利用公共数据集和心血管模拟模型生成精细标记的PPG波形。

    IHemoMIL框架

    通过在WSL范式内利用MIL配置,IHemoMIL被设计为一个可适应的架构,而不是固定配置。其架构如图3a所示,注重简单性和适应性,便于高效直接地应用于各种生物信号模式。

    实验和讨论

    我们通过实验评估了IHemoMIL框架在提高基于PPG的HF检测的预测性能和可解释性方面的有效性。我们的评估涵盖了针对主流诊断任务的多种PPG数据集。消融研究确认了关键组件的贡献,而与最先进方法的基准测试评估了IHemoMIL的更广泛适用性。

    结论和未来工作

    本研究解决了当前基于PPG的诊断中的关键限制,即自动血流动力学异常检测的可解释性和AI工具在临床工作流程中的可信集成。我们提出了一种基于因果关系的合成数据集生成流程,以解决高质量标记PPG数据集的稀缺问题。我们引入了IHemoMIL,这是一个简单而有效的框架,旨在在弱监督MIL范式内实现适应性和可解释性。

    CRediT作者贡献声明

    王道苗:概念化、方法论、软件、可视化、撰写——原始草稿、撰写——审阅与编辑。胡启汉:概念化、数据管理、撰写——审阅与编辑。邢小曼:概念化、形式分析。吴红:数据管理、资源。刘健:验证。傅学鹏:形式分析、验证。杨翠薇:撰写——审阅与编辑、资金获取、监督。

    数据可用性

    数据将按需提供

    CRediT作者贡献声明

    王道苗:撰写——审阅与编辑、撰写——原始草稿、可视化、软件、方法论、概念化。胡启汉:撰写——审阅与编辑、数据管理、概念化。邢小曼:形式分析、概念化。吴红:资源、数据管理。刘健:验证。傅学鹏:验证、形式分析。杨翠薇:撰写——审阅与编辑、资金获取、监督。

    利益冲突声明

    作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。

    致谢

    本工作得到了国家自然科学基金(-->62371138-->)的支持。作者感谢Jordi Alastruey提供了必要的Nektar1D模拟模型。ChatGPT被用来改进本文的语法、拼写和表达,但并未用于生成任何新文本
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号